听写总对不准主要是发音不准和口音干扰。比如有人平时说话带地方音，录音时连读变调，机器就抓不住重点。数据统计显示，普通用户听写准确率约65%，而发音标准者能达到92%。语速快时容易吞音，比如“这个很好”变成“这个好”，机器识别就会漏字。再就是环境噪音，比如背景有车声，关键音节会被压低。

比如有人总把“苹果”说成“阿婆”，其实这就是辅音缺失。研究说中国方言区用户平均错字率比普通话区高18%。还有连读现象，像“非常非常”变成“非非常”，声调连在一起就分不清。短促音节识别难，比如“是的”说成“是的”，末尾音被吞掉。机器训练数据里，这类案例占错误总量的40%。是口型不清晰，比如“吃”和“喝”发音相近，如果吐字不标准，识别率就掉到75%以下。